【小白学习PyTorch教程】一、PyTorch基本操作

「@Author：Runsen」

什么是 PyTorch？

PyTorch是一个基于Python的科学计算包，提供最大灵活性和速度的深度学习研究平台。

张量

张量类似于NumPy 的n 维数组，此外张量也可以在 GPU 上使用以加速计算。

让我们构造一个简单的张量并检查输出。首先让我们看看我们如何构建一个 5×3 的未初始化矩阵：

import torch
x = torch.empty(5, 3)
print(x)

输出如下：

tensor([[2.7298e+32, 4.5650e-41, 2.7298e+32],
        [4.5650e-41, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00]])

现在让我们构造一个随机初始化的矩阵：

x = torch.rand(5, 3)
print(x)

输出：

tensor([[1.1608e-01, 9.8966e-01, 1.2705e-01],
        [2.8599e-01, 5.4429e-01, 3.7764e-01],
        [5.8646e-01, 1.0449e-02, 4.2655e-01],
        [2.2087e-01, 6.6702e-01, 5.1910e-01],
        [1.8414e-01, 2.0611e-01, 9.4652e-04]])

直接从数据构造张量：

x = torch.tensor([5.5, 3])
print(x)

输出：

tensor([5.5000, 3.0000])

创建一个统一的长张量。

x = torch.LongTensor(3, 4)
x

tensor([[94006673833344,   210453397554,   206158430253,   193273528374],
        [  214748364849,   210453397588,   249108103216,   223338299441],
        [  210453397562,   197568495665,   206158430257,   240518168626]])

「浮动张量。」

x = torch.FloatTensor(3, 4)
x

tensor([[-3.1152e-18,  3.0670e-41,  3.5032e-44,  0.0000e+00],
        [        nan,  3.0670e-41,  1.7753e+28,  1.0795e+27],
        [ 1.0899e+27,  2.6223e+20,  1.7465e+19,  1.8888e+31]])

「在范围内创建张量」

torch.arange(10, dtype=torch.float)

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

「重塑张量」

x = torch.arange(10, dtype=torch.float) 
x

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

使用 .view重塑张量。

x.view(2, 5)

tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])

-1根据张量的大小自动识别维度。

x.view(5, -1)

tensor([[0., 1.],
        [2., 3.],
        [4., 5.],
        [6., 7.],
        [8., 9.]])

「改变张量轴」

改变张量轴：两种方法view和permute

view改变张量的顺序，而permute只改变轴。

x1 = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
print("x1: \n", x1)
print("\nx1.shape: \n", x1.shape)
print("\nx1.view(3, -1): \n", x1.view(3 , -1))
print("\nx1.permute(1, 0): \n", x1.permute(1, 0))


x1: 
 tensor([[1., 2., 3.],
        [4., 5., 6.]])

x1.shape: 
 torch.Size([2, 3])

x1.view(3, -1): 
 tensor([[1., 2.],
        [3., 4.],
        [5., 6.]])

x1.permute(1, 0): 
 tensor([[1., 4.],
        [2., 5.],
        [3., 6.]])

张量运算

在下面的示例中，我们将查看加法操作：

y = torch.rand(5, 3)
print(x + y)

输出：

tensor([[0.5429, 1.7372, 1.0293],
        [0.5418, 0.6088, 1.0718],
        [1.3894, 0.5148, 1.2892],
        [0.9626, 0.7522, 0.9633],
        [0.7547, 0.9931, 0.2709]])

调整大小：如果你想调整张量的形状，你可以使用“torch.view”：

x = torch.randn(4, 4)
y = x.view(16)
# 大小-1是从其他维度推断出来的
z = x.view(-1, 8) 
print(x.size(), y.size(), z.size())

输出：

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

PyTorch 和 NumPy的转换

NumPy 是Python 编程语言的库，增加了对大型、多维数组和矩阵的支持，以及对这些数组进行操作的大量高级数学函数集合。

将Torch中Tensor 转换为 NumPy 数组，反之亦然是轻而易举的！

Torch Tensor 和 NumPy 数组将共享它们的底层内存位置 ，改变一个将改变另一个。

「将 Torch 张量转换为 NumPy 数组：」

a = torch.ones(5)
print(a)

输出：tensor([1., 1., 1., 1., 1.])

b = a.numpy()
print(b)

输出：[1., 1., 1., 1., 1.]

让我们执行求和运算并检查值的变化：

a.add_(1)
print(a)
print(b)

输出：

tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

「将 NumPy 数组转换为 Torch 张量：」

import numpy as no
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

输出：

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

所以，正如你所看到的，就是这么简单！

接下来在这个 PyTorch 教程博客上，让我们看看PyTorch 的 AutoGrad 模块。

AutoGrad

该autograd包提供自动求导为上张量的所有操作。

它是一个按运行定义的框架，这意味着您的反向传播是由您的代码运行方式定义的，并且每次迭代都可以不同。

• torch.autograd.function （函数的反向传播）

• torch.autograd.functional （计算图的反向传播）

• torch.autograd.gradcheck （数值梯度检查）

• torch.autograd.anomaly_mode （在自动求导时检测错误产生路径）

• torch.autograd.grad_mode （设置是否需要梯度）

• model.eval() 与 torch.no_grad()

• torch.autograd.profiler （提供 function 级别的统计信息）

「下面使用 Autograd 进行反向传播。」

如果requires_grad=True，则 Tensor 对象会跟踪它是如何创建的。

x = torch.tensor([1., 2., 3.], requires_grad = True)
print('x: ', x)
y = torch.tensor([10., 20., 30.], requires_grad = True)
print('y: ', y)
z = x + y 
print('\nz = x + y')
print('z:', z)

x:  tensor([1., 2., 3.], requires_grad=True)
y:  tensor([10., 20., 30.], requires_grad=True)

z = x + y
z: tensor([11., 22., 33.], grad_fn=<AddBackward0>)

因为requires_grad=True，z知道它是通过增加两个张量的产生z = x + y。

s = z.sum()
print(s)

tensor(66., grad_fn=<SumBackward0>)

s是由它的数字总和创建的。当我们调用.backward()，反向传播从s开始运行。然后可以计算梯度。

s.backward()
print('x.grad: ', x.grad)
print('y.grad: ', y.grad)

x.grad:  tensor([1., 1., 1.])
y.grad:  tensor([1., 1., 1.])

下面例子是计算log(x)的导数为1 / x

import torch
x = torch.tensor([0.5, 0.75], requires_grad=True)
# 1 / x 
y = torch.log(x[0] * x[1])
y.backward()
x.grad # tensor([2.0000, 1.3333])

往期精彩回顾



适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑黄海广老师《机器学习课程》课件合集
本站qq群851320808，加入微信群请扫码：